前言
当 GitHub Copilot 从单纯的代码补全工具进化为 Copilot Agent（AI 代理），开发者们迎来了更高的定制化需求。我们不仅希望 AI 能写代码，更希望它能理解团队的特殊规范、掌握内部工具的使用方法，甚至在不同的项目中复用这些经验。
Agent Skills（代理技能） 就是为了解决这个痛点而生的核心机制。本文将深入解析 Copilot Skills 的工作原理，并分享如何通过软链接与自动化工作流，构建一套高效的个人及团队知识库。
一、什么是 Agent Skills？
如果把 Copilot 比作一个通用的'AI 程序员'，那么 Skill（技能） 就是你为它配备的专用工具箱。
它不仅仅是一段简单的提示词（Prompt），而是一个包含元数据、指令和执行资源的标准文件夹结构。当 Copilot 在对话中识别到用户的需求匹配某个 Skill 时，它会动态加载这个工具箱来解决问题。
一个标准 Skill 的结构
Copilot 通过识别文件夹中的 SKILL.md 文件来加载技能：
my-toolbox/
├── SKILL.md (核心：包含 YAML 定义和 Markdown 指令)
├── script.py (可选：供 Copilot 调用的 Python 脚本)
└── template.json (可选：代码模版)
SKILL.md 示例：
---
name: code-reviewer
description: 当用户要求进行代码审查 (Code Review) 时使用此技能
---
# Code Review 标准
请按照以下步骤审查代码：
1. 检查变量命名是否符合驼峰式命名法。
2. 检查是否包含必要的错误捕获 (try-catch)。
...
二、技能的'作用域'：项目级 vs 全局级
Copilot 的灵活性体现在它支持不同层级的技能加载，理解这一点是配置环境的关键。
1. 项目级技能 (Project Skills)
- 路径：
当前项目根目录/.github/skills - 场景：只对当前这一个代码仓库生效。例如：该项目特有的部署脚本、特定模块的测试规范。
